数据挖掘在人力资源市场中的应用与研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究的目的及意义 | 第10-11页 |
| 1.3 研究现状与发展趋势 | 第11-12页 |
| 1.4 研究内容 | 第12-13页 |
| 1.5 论文组织结构 | 第13页 |
| 1.6 本章小结 | 第13-15页 |
| 第二章 人力资源理论综述 | 第15-19页 |
| 2.1 人力资源管理 | 第15-16页 |
| 2.1.1 人力资源管理的定义 | 第15页 |
| 2.1.2 人力资源管理的任务 | 第15-16页 |
| 2.2 人力资源价值研究综述 | 第16-17页 |
| 2.2.1 风险分类 | 第16-17页 |
| 2.2.2 风险识别 | 第17页 |
| 2.2.3 风险评估 | 第17页 |
| 2.2.4 风险消除 | 第17页 |
| 2.2.5 风险监控 | 第17页 |
| 2.3 人力资源模块分析 | 第17-18页 |
| 2.3.1 招聘管理 | 第17-18页 |
| 2.3.2 离职管理 | 第18页 |
| 2.3.3 绩效管理 | 第18页 |
| 2.3.4 薪金管理 | 第18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 数据挖掘技术 | 第19-25页 |
| 3.1 数据挖掘的概念 | 第19页 |
| 3.2 数据挖掘的现状 | 第19-20页 |
| 3.3 数据挖掘的应用 | 第20-21页 |
| 3.4 数据挖掘的任务 | 第21-24页 |
| 3.5 本章小结 | 第24-25页 |
| 第四章 数据分类中的决策树学习方法 | 第25-33页 |
| 4.1 决策树学习的表示形式 | 第25-26页 |
| 4.2 决策树的建立 | 第26页 |
| 4.3 决策树学习算法介绍 | 第26-32页 |
| 4.3.1 属性选择度量 | 第27页 |
| 4.3.2 信息熵 | 第27-28页 |
| 4.3.3 信息增益与增益率 | 第28-29页 |
| 4.3.4 ID3与C4.5 算法的比较 | 第29-30页 |
| 4.3.5 C4.5 算法中的离散化与默认值处理 | 第30-31页 |
| 4.3.6 C4.5 的剪枝 | 第31-32页 |
| 4.4 本章小结 | 第32-33页 |
| 第五章 决策树分类在求职倾向挖掘中的应用 | 第33-61页 |
| 5.1 决策树算法的选择 | 第33页 |
| 5.2 业务问题的定义 | 第33-34页 |
| 5.3 数据抽取 | 第34-42页 |
| 5.4 数据预处理 | 第42-53页 |
| 5.4.1 数据集成 | 第42-43页 |
| 5.4.2 数据清洗 | 第43-48页 |
| 5.4.3 数据归约 | 第48-50页 |
| 5.4.4 数据转换 | 第50-53页 |
| 5.5 建立求职倾向分析决策树 | 第53-60页 |
| 5.5.1 数据输入 | 第53-54页 |
| 5.5.2 参数设置 | 第54-55页 |
| 5.5.3 决策树的建立与模型评价 | 第55-56页 |
| 5.5.4 规则生成和倾向矩阵建立 | 第56-60页 |
| 5.6 本章小结 | 第60-61页 |
| 第六章 基于数据挖掘的个性化人才推荐方法 | 第61-73页 |
| 6.1 个性化推荐概述 | 第61页 |
| 6.2 传统的推荐方法 | 第61-64页 |
| 6.2.1 基于内容的推荐 | 第61-63页 |
| 6.2.2 基于协同过滤的推荐 | 第63-64页 |
| 6.3 个性化人才推荐方法过程 | 第64-70页 |
| 6.3.1 职位硬性条件过滤 | 第65-66页 |
| 6.3.2 非硬性条件相似度计算 | 第66-68页 |
| 6.3.3 求职倾向权重计算 | 第68-69页 |
| 6.3.4 最终权重计算 | 第69页 |
| 6.3.5 职位推荐列表生成 | 第69-70页 |
| 6.4 推荐方法效果比较 | 第70-71页 |
| 6.4.1 数据集 | 第70页 |
| 6.4.2 评价标准 | 第70-71页 |
| 6.4.3 实验结果与分析 | 第71页 |
| 6.5 推荐方法应用实例 | 第71-72页 |
| 6.6 本章小结 | 第72-73页 |
| 第七章 总结与展望 | 第73-75页 |
| 7.1 总结 | 第73页 |
| 7.2 展望 | 第73-75页 |
| 参考文献 | 第75-77页 |
| 致谢 | 第77页 |
